Detecting Protest Events Using Pre-trained Language Model
Full-time Lecturer
Graduate School of Arts and Sciences, The University of Tokyo
kazuhiroterashita@outlook.jp
2025-06-29
社会運動の規模や暴力性、採用する戦術
メディアの注目度
政治的機会構造
動員に比べると研究が進んでいない
| Model | Accuracy | Recall | F1 Score |
|---|---|---|---|
| Naive Bayes | 0.72 | 0.69 | 0.65 |
| Random Forest | 0.70 | 0.71 | 0.76 |
| XLM-RoBERTa | 0.72 | 0.70 | 0.70 |
分析手法:「説明変数」を結果変数、操作変数候補を説明変数にした回帰分析
分析単位:日×基礎自治体および2018年地方選挙 *ソウルなど都市は広域
結果変数:先述の手法で特定した抗議行動
説明変数:降水量と気温
| RF-Protest | RF-Report | RF-Clash | |
|---|---|---|---|
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001. | |||
| 都市圏(都道府県)レベルでクラスタリングされたロバスト標準誤差。 | |||
| RF = Random Forest | |||
| Rainfall | -0.000 | -0.000 | -0.000 |
| (0.000) | (0.000) | (0.000) | |
| Temp_dev | 0.000 | 0.000 | 0.000 |
| (0.000) | (0.000) | (0.000) | |
| Num.Obs. | 294417 | 294417 | 294417 |
| R2 | 0.270 | 0.226 | 0.031 |
| RF-Protest | RF-Report | RF-Clash | |
|---|---|---|---|
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001. RF = Random Forest | |||
| 都市圏(都道府県)レベルでクラスタリングされたロバスト標準誤差。 | |||
| (Intercept) | -0.672 | 0.834 | 0.100 |
| (1.653) | (1.285) | (0.102) | |
| Rainfall | 0.029 | 0.055 | 0.007 |
| (0.054) | (0.065) | (0.007) | |
| Temp_dev | 0.032 | -0.042 | -0.005 |
| (0.080) | (0.062) | (0.005) | |
| Num.Obs. | 160 | 160 | 160 |
| R2 | 0.007 | 0.006 | 0.016 |
| RF-Protest | RF-Report | RF-Clash | |
|---|---|---|---|
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001. 曜日ダミーを投入 | |||
| Rainfall | -0.000 | -0.000 | -0.000* |
| (0.000) | (0.000) | (0.000) | |
| Temp_dev | 0.000 | 0.000 | 0.000+ |
| (0.000) | (0.000) | (0.000) | |
| I(Temp^2) | -0.000 | -0.000 | 0.000 |
| (0.000) | (0.000) | (0.000) | |
| Num.Obs. | 294417 | 294417 | 294417 |
| R2 | 0.262 | 0.218 | 0.024 |
日本比較政治学会第28回大会@オンライン